摘要：通过分析分布式机器学习中作业性能干扰的问题,发现性能干扰是由于内存过载、带宽竞争等GPU资源分配不均导致的,为此设计并实现了快速预测作业间性能干扰的机制,该预测机制能够根据给定的GPU参数和作业类型自适应地预测作业干扰程度。首先,通过实验获取分布式机器学习作业运行时的GPU参数和干扰率,并分析出各类参数对性能干扰的影响;其次,依托多种预测技术建立GPU参数-干扰率模型进行作业干扰率误差分析;最后,建立自适应的作业干扰率预测算法,面向给定的设备环境和作业集合自动选择误差最小的预测模型,快速、准确地预测作业干扰率。选取5种常用的神经网络作业,在两种GPU设备上设计实验并进行结果分析。结果显示,所提出的自适应干扰预测(AIP)机制能够在不提供任何预先假设信息的前提下快速完成预测模型的选择和性能干扰预测,耗时在300 s以内,预测干扰率误差在2%~13%,可应用于作业调度和负载均衡等场景。

摘要：在ANSYS/Maxwll软件中对电力变压器建立三维仿真模型和耦合外电路激励,对变压器绕组进行短路电抗参数和电感参数设计计算分析,并验证了本文所提模型的有效性。

摘要：基于变电站接地网故障诊断系统及模型给出了变电站接地网故障诊断的设计方案和测试原则,能够实现在无需开挖的情况下全面诊断地网腐蚀状况,提前发现接地网缺陷和故障。

摘要：电力变压器是电力系统最为关键的一部分,快速准确地判断变压器故障类型对变压器安全运行具有重要作用,传统的粗糙集理论进行故障诊断往往存在两个问题,一是忽视属于NP-hard问题的最佳属性约简;二是未充分考虑故障诊断的概率属性。基于此,提出了一种基于改进的粗糙集理论与贝叶斯网络的变压器设备故障诊断模型,通过构建可分辨二进制矩阵,引入启发式属性约简算法求解最佳属性约简,并基于最佳属性约简构建最小诊断规则,用贝叶斯网络完成概率建模实现变压器故障诊断。通过案例分析,该模型能有效地判断变压器设备故障类型,且与油色谱三比值法相比,准确率有所提升。